随着数据规模的不断增大，竞争的日趋激烈，人们迫切需要从大量数据中挖掘出有用的知识和信息来辅助决策，数据挖掘技术随之应运而生。聚类分析是数据挖掘的一种重要技术，但以往的研究大多限于数值型数据，类属型数据的聚类算法则被研究地较少。　　 类属型数据的值域是无序的，无法进行其值的大小比较。因此，我们不能用基于距离的方法度量类属型数据对象间的相似性，传统聚类算法也对类属型数据聚类失效。现存的一些类属型数据聚类算法，期望的簇数目需人工确定，聚类结果对样本输入顺序敏感，没有考虑不同属性对聚类的重要性，降低了聚类分析的质量和效率，限制了聚类分析的应用。　　 鉴于此，本文提出了一种加权粗糙聚类算法：首先把各个属性特征看作同等重要，赋予相同的权值，根据粗糙集相似关系得到初始聚簇；然后利用信息增益率去衡量属性特征对聚类的重要性；最后用信息增益率值更新属性的权值，不断迭代，直到产生满足要求的聚簇。该算法能够处理类属型数据，不需要预先给定簇的数目，对样本输入顺序不敏感，考虑了属性对聚类的重要性，提高了聚类的质量。　　 最后，利用来自UCI的数据集实验，证实了该算法在分类正确率和聚簇的纯度上均有提高。并将该算法应用于中医亚健康数据，发现了数据中的潜在规律，给中医亚健康状态分类辨识研究提供了一定的理论支撑，为亚健康的发现和防治提供了科学依据。